基于深度学习的晶格热导率预测中的迁移学习
机器学习
2024-11-28 v1 计算物理
摘要
机器学习有望通过从原子级描述符或结构中预测理想的宏观性质，从而加速材料发现。然而，可获得的关于这些性质精确值的数据有限，导致预测模型精度有限或难以泛化。这一点尤其体现在晶格热导率（LTC）上：现有精确（ab initio，基于DFT的）计算值的数据集仅包含少数几十种材料，变异性很小。基于此类数据集，我们研究了迁移学习对深度学习模型（ParAIsite）精度和泛化能力的影响。我们从一个现有模型（MEGNet）开始，显示通过在不同任务上微调预训练模型可获得改进。有趣的是，我们还发现，当首先在大量低质量LTC近似值（基于AGL模型）上进行微调，然后应用第二个阶段的微调——使用我们的高质量、规模较小的数据集——时，能够获得更大的改进。获得的有前景的结果不仅为探索大型数据库以寻找低热导率材料提供了更大的能力，也为在数据质量稀缺的领域实现越来越精确的预测提供了方法。
引用
@article{arxiv.2411.18259,
title = {Transfer Learning for Deep Learning-based Prediction of Lattice Thermal Conductivity},
author = {L. Klochko and M. d'Aquin and A. Togo and L. Chaput},
journal= {arXiv preprint arXiv:2411.18259},
year = {2024}
}